Entwicklung einer semi-parametrischen Methode zur probabilistischen Prädiktion von Fahrzeugtrajektorien auf Basis von Flottendaten

Jordan, Justus Wilhelm

Geometrische Optimierung und maschinelles Lernen (Prof. Kleinsteuber)

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Entwicklung einer semi-parametrischen Methode zur probabilistischen Prädiktion von Fahrzeugtrajektorien auf Basis von Flottendaten
Translated title:: Development of a Semi-Parametric Method for Probabilistic Prediction of Vehicle Trajectories Based on Fleet Data
Author:: Jordan, Justus Wilhelm
Year:: 2018
Document type:: Dissertation
Faculty/School:: Fakultät für Elektrotechnik und Informationstechnik
Advisor:: Kleinsteuber, Martin (Priv.-Doz. Dr.)
Referee:: Kleinsteuber, Martin (Priv.-Doz. Dr.); Rigoll, Gerhard (Prof. Dr.)
Language:: de
Subject group:: ELT Elektrotechnik; VER Technik der Verkehrsmittel
TUM classification:: DAT 570d
Abstract:: Bei der Entwicklung autonomer Fahrzeuge ist die probabilistische Trajektorienprädiktion von Verkehrsteilnehmern eine zentrale Herausforderung. Im Rahmen dieser Arbeit wird eine rekursive, bayessche Filter-Architektur um Gauß-Prozesse erweitert: Verglichen mit dem Stand der Technik besteht der Vorteil der vorgestellten Methode darin, formal-parametrische Beschreibungen und gelernte Zusammenhänge zu kombinieren. Komplexes Fahrverhalten wird so auf Basis analysierter Fahrzeugflottendaten modelliert. «
Bei der Entwicklung autonomer Fahrzeuge ist die probabilistische Trajektorienprädiktion von Verkehrsteilnehmern eine zentrale Herausforderung. Im Rahmen dieser Arbeit wird eine rekursive, bayessche Filter-Architektur um Gauß-Prozesse erweitert: Verglichen mit dem Stand der Technik besteht der Vorteil der vorgestellten Methode darin, formal-parametrische Beschreibungen und gelernte Zusammenhänge zu kombinieren. Komplexes Fahrverhalten wird so auf Basis analysierter Fahrzeugflottendaten modelliert... »
Translated abstract:: For the development of autonomous driving systems, probabilistic trajectory prediction of traffic participants is a major challenge. Within the scope of this work, a recursive, Bayesian filter architecture is enhanced by Gaussian processes: Compared to the state of the art, the advantage of the introduced method emerges from combining formal parametric descriptions and learned relationships. Thus, complex driving behavior is modelled on the basis of analyzed vehicle fleet data.
WWW:: https://mediatum.ub.tum.de/?id=1356923
Date of submission:: 19.07.2017
Oral examination:: 19.02.2018
File size:: 4663384 bytes
Pages:: 125
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20180219-1356923-1-1
Last change:: 06.06.2018
BibTeX

Occurrences:

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Elektrotechnik

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Datenverarbeitung, Informatik

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology Electrical Engineering

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten School TUM School of Computation, Information and Technology

mediaTUM Gesamtbestand Elektronische Prüfungsarbeiten Fachgebiet Technik der Verkehrsmittel

mediaTUM Gesamtbestand Einrichtungen Schools TUM School of Computation, Information and Technology Prüfungsarbeiten Dissertationen

mediaTUM Gesamtbestand Hochschulbibliographie 2018 Fakultäten Elektrotechnik und Informationstechnik Geometrische Optimierung und maschinelles Lernen (Prof. Kleinsteuber)